Οι πρόσφατες εξελίξεις στον τομέα της παραγωγής ήχου από κείμενο επιτρέπουν στα μοντέλα να μετατρέπουν περιγραφές φυσικής γλώσσας σε ποικίλα μουσικά αποτελέσματα. Ωστόσο, η ανθεκτικότητα αυτών των συστημάτων, όταν αντιμετωπίζουν σημασιολογικά ισοδύναμες παραλλαγές εντολών (prompts), παραμένει σε μεγάλο βαθμό ανεξερεύνητη. Μικρές γλωσσικές τροποποιήσεις ενδέχεται να προκαλέσουν σημαντικές διαφοροποιήσεις στον παραγόμενο ήχο, εγείροντας ανησυχίες σχετικά με την αξιοπιστία τους στην πρακτική εφαρμογή.
Στο πλαίσιο αυτής της μελέτης, αξιολογείται η σημασιολογική ευθραυστότητα των συστημάτων κειμένου-ήχου υπό ελεγχόμενες διαταραχές εντολών. Επιλέχθηκαν τα μοντέλα MusicGen-small, MusicGen-large και Stable Audio 2.5 ως αντιπροσωπευτικά, και υποβλήθηκαν σε αξιολόγηση με βάση την Ελάχιστη Λεξική Αντικατάσταση (MLS), τις Μετατοπίσεις Έντασης (IS) και την Αναδιατύπωση Δομής (SR). Το προτεινόμενο σύνολο δεδομένων περιλαμβάνει 75 ομάδες εντολών, οι οποίες σχεδιάστηκαν για να διατηρούν τη σημασιολογική πρόθεση, εισάγοντας ταυτόχρονα εντοπισμένη γλωσσική παραλλαγή. Οι παραγόμενες έξοδοι συγκρίνονται μέσω συμπληρωματικών φασματικών, χρονικών και σημασιολογικών μέτρων ομοιότητας, επιτρέποντας την ανάλυση της ανθεκτικότητας σε πολλαπλά επίπεδα αναπαράστασης.
Τα πειραματικά αποτελέσματα καταδεικνύουν ότι τα μεγαλύτερα μοντέλα επιτυγχάνουν βελτιωμένη σημασιολογική συνέπεια, με το MusicGen-large να φτάνει σε ομοιότητες συνημιτόνου 0,77 υπό MLS και 0,82 υπό IS. Παρόλα αυτά, οι ακουστικές και χρονικές αναλύσεις αποκαλύπτουν επίμονη απόκλιση σε όλα τα μοντέλα, ακόμη και όταν η ομοιότητα ενσωμάτωσης παραμένει υψηλή. Αυτά τα ευρήματα υποδεικνύουν ότι η ευθραυστότητα προκύπτει κυρίως κατά τη σημασιολογική-ακουστική υλοποίηση και όχι κατά την ευθυγράμμιση πολυτροπικών ενσωματώσεων. Η παρούσα μελέτη εισάγει ένα ελεγχόμενο πλαίσιο για την αξιολόγηση της ανθεκτικότητας στην παραγωγή κειμένου-ήχου και υπογραμμίζει την ανάγκη για αξιολόγηση σταθερότητας σε πολλαπλά επίπεδα στα συστήματα παραγωγής ήχου.
